摘要目的:预测肺腺癌气腔播散(STAS)对及时进行干预、选择合适的治疗方法和提高患者的生活质量具有重要意义.因此,开发一种术前模型预测肺腺癌STAS至关重要.方法:回顾性纳入2019年1月至2023年12月共4家医院经手术后病理诊断为肺腺癌患者689例,将Hospital Ⅰ和Hospital Ⅱ患者根据7:3随机比例分为训练组和内部验证组,Hospital Ⅲ和Hospital Ⅳ纳入为外部验证组Ⅰ和Ⅱ.采用ResNet-101为构架构建预测肺腺癌STAS的深度学习评分(DL-socre).使用7种机器学习算法,包括逻辑回归(LR)、极端梯度增强(Xgboost)、支持向量机(SVM)、随机森林(RF)、决策树(DT),k近邻(KNN)和人工神经网络(ANN)来区分STAS阴性和阳性.采用SHapley加性方法(SHAP)对模型进行可视化及解释.结果:对比7种不同的机器学习模型,最优联合模型(ANN模型)表现出最佳预测效能,在训练组和内部验证组中受试者工作特征曲线(ROC)下面积(AUC)分别为0.906(95％CI:0.873～0.936)和 0.903(95％CI:0.855～0.944).基于 SHAP 方法得出重要特征为DL-socre、分叶征、空泡征、微血管征.SHAP汇总图和蜜蜂图能够准确反映模型每个特征对单个预测的贡献度.两个外部验证组中AUC分别为0.841(95％CI:0.757～0.923)和0.882(95％CI:0.806～0.953),显示出令人满意的推广效果.结论:基于DL-socre和临床独立危险因素构建的联合模型(ANN模型)可以准确评估肺腺癌STAS,此外,SHAP可解释性技术增加了模型的透明度,可以直观显示特征重要性和决策过程,不仅提高了机器学习模型的可解释性,还为临床医生制定个性化治疗决策提供了辅助参考.